Prognozowanie metodami uczenia maszynowego w Python

Prognozowanie jest jednym z najczęstszych zadań analizy danych: w końcu któż nie chciałby wiedzieć co będzie w przyszłości? Jednocześnie prognozowanie wydaje się trudne: w tworzeniu prognoz i stosowaniu ich w praktyce napotykamy wiele problemów, takich jak: specjalne zdarzenia, braki danych dla pewnych okresów, zmiany zachodzące w przewidywanym zjawisku i jego otoczeniu oraz skomplikowane zależności. Jednak spokojnie: na kursie poznasz techniki i narzędzia pozwalające radzić sobie z trudnościami i uzyskiwać użyteczne prognozy.

Szkolenie poświęcone jest narzędziom prognozowania szeregów czasowych dostępnym w środowisku Python. Przedstawione zostaną podstawowe i zaawansowane narzędzia prognozowania: od prognoz naiwnych, po specjalistyczne architektury głębokich sieci neuronowych (deep learning). Dużo uwagi poświęcimy pakietowi Prophet, który umożliwia tworzenie praktycznych modeli uwzględniających zdarzenia specjalne, zmiany trendu i wiele innych czynników. Wszystkie narzędzia zostaną omówione z naciskiem na ich praktyczne stosowanie, zrozumienie ich zalet i ograniczeń, na przykładach z wykorzystaniem rzeczywistych danych z różnych dziedzin.

Dla kogo?

• Analityków wykonujących lub planujących wykonywać prognozy szeregów czasowych
• Osób chcących poznać narzędzia prognozowania w środowisku Python

Efekty szkolenia:

• Umiejętność przygotowania danych na potrzeby prognozowania
• Wiedzę, jak prognozować szeregi czasowe w środowisku Python wykorzystując metody statystyczne i uczenie maszyn
• Znajomość pakietu Prophet umożliwiającego automatyczne prognozowanie szeregów czasowych i radzenie sobie z wieloma wyzwaniami praktycznego prognozowania

Program szkolenia

1. Prognozowanie – jak i dlaczego 
2. Badanie i przygotowanie danych 
a) Data i czas w Pythonie
b) Braki danych
c) Wykrywanie odchyleń
d) Dekompozycja szeregu i stacjonarność 
3. Podstawowe modele statystyczne 
a) Modele naiwne
b) Wyrównywanie wykładnicze
c) ARIMA i metody pochodne 
4. Prognozowanie metodami uczenia maszynowego ogólnego przeznaczenia 
5. Prophet – więcej niż automat do prognozowania 
a) Jak to działa
b) Automatyczne prognozowanie w Prophet
c) Kalendarz, święta i okresy specjalne
d) Szacowanie niepewności
e) Zmienne objaśniające
f) Wykrywanie zmian trendu
g) Ocena modelu
h) Wdrożenie produkcyjne 
6. Sieci neuronowe zaprojektowane do prognozowania (N-BEATS)